MCP HubMCP Hub
Вернуться к навыкам

headless-web-scraping

pjt222
Обновлено 6 days ago
13 просмотров
17
2
17
Посмотреть на GitHub
Дизайнapiautomationdesigndata

О программе

Этот навык обеспечивает надежный веб-скрапинг с использованием библиотеки scrapling, автоматически выбирая между уровнями HTTP, скрытого Chromium или полной автоматизации браузера для обхода антибот-защиты. Он извлекает структурированные данные через CSS-селекторы из JavaScript-рендерящихся страниц, которые не могут быть обработаны простыми HTTP-запросами. Используйте его, когда требуется скрапинг динамических SPA, сайтов с защитой Cloudflare или выполнение сложного обхода DOM для извлечения множества элементов.

Быстрая установка

Claude Code

Рекомендуется
Основной
npx skills add pjt222/agent-almanac -a claude-code
Команда плагинаАльтернативный
/plugin add https://github.com/pjt222/agent-almanac
Git клонированиеАльтернативный
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/headless-web-scraping

Скопируйте и вставьте эту команду в Claude Code для установки этого навыка

Документация

無頭網抓

由拒簡 HTTP 請求之網頁——JS 渲染、Cloudflare 護、動態 SPA——用 scrapling 三層取器架構與 CSS 析取。

  • 目標頁需 JS 渲(SPA、React、Vue)
  • 站有反爬護(Cloudflare Turnstile、TLS 指紋察)
  • 需用 CSS 選多元素之結構析取
  • 簡單 WebFetchrequests.get() 返空或封
  • 大量取表數、鏈列、重複 DOM 構

  • :目標 URL 或列
  • :所取之數(CSS 選、欄名或目標元素之描)
  • :取器層覆(默:依站動自擇)
  • :出格式(默 JSON;替 CSV、Python dict)
  • :率限(秒,默 1)

一:擇取器層

定哪 scrapling 取器合目標站之護。

# Decision matrix:
# 1. Fetcher        — static HTML, no JS, no anti-bot (fastest)
# 2. StealthyFetcher — Cloudflare/Turnstile, TLS fingerprint checks
# 3. DynamicFetcher  — JS-rendered SPAs, click/scroll interactions

# Quick probe: try Fetcher first, escalate on failure
from scrapling import Fetcher

fetcher = Fetcher()
response = fetcher.get("https://example.com/target-page")

if response.status == 200 and response.get_all_text():
    print("Fetcher tier sufficient")
else:
    print("Escalate to StealthyFetcher or DynamicFetcher")
SignalRecommended Tier
Static HTML, no protectionFetcher
403/503, Cloudflare challenge pageStealthyFetcher
Page loads but content area is emptyDynamicFetcher
Need to click buttons or scrollDynamicFetcher
altcha CAPTCHA presentNone (cannot be automated)

得:三層之一已定。多現代站→StealthyFetcher 為正確起點。

敗:三層皆封→察站是否用 altcha CAPTCHA(工作量證明,不可繞)。若然,書限並予手取指示。

二:配取器

設所擇取器之合適選項。

from scrapling import Fetcher, StealthyFetcher, DynamicFetcher

# Tier 1: Fast HTTP with TLS fingerprint impersonation
fetcher = Fetcher()
fetcher.configure(
    timeout=30,
    retries=3,
    follow_redirects=True
)

# Tier 2: Headless Chromium with anti-detection
fetcher = StealthyFetcher()
fetcher.configure(
    headless=True,
    timeout=60,
    network_idle=True  # wait for all network requests to settle
)

# Tier 3: Full browser automation
fetcher = DynamicFetcher()
fetcher.configure(
    headless=True,
    timeout=90,
    network_idle=True,
    wait_selector="div.results"  # wait for specific element before extracting
)

得:取器實例已配備就。實例化無誤。StealthyFetcherDynamicFetcher 皆有 Chromium 二進制(scrapling 於首行自管)。

敗:

  • playwright 或瀏覽器二進制缺→行 python -m playwright install chromium
  • configure() 超時→增超時或察網連
  • 導入誤→裝 scrapling:pip install scrapling

三:取頁並析數

導至目標 URL,用 CSS 選析取結構數據。

# Fetch the page
response = fetcher.get("https://example.com/target-page")

# Single element extraction
title = response.find("h1.page-title")
if title:
    print(title.get_all_text())

# Multiple elements
items = response.find_all("div.result-item")
for item in items:
    name = item.find("span.name")
    price = item.find("span.price")
    print(f"{name.get_all_text()}: {price.get_all_text()}")

# Get attribute values
links = response.find_all("a.product-link")
urls = [link.get("href") for link in links]

# Get raw HTML content of an element
detail_html = response.find("div.description").html_content

關鍵 API 參考:

MethodPurpose
response.find("selector")First matching element
response.find_all("selector")All matching elements
element.get("attr")Attribute value (href, src, data-*)
element.get_all_text()All text content, recursively
element.html_contentRaw inner HTML

得:所析數符頁之可見內容。元素非 None,文非空(於有內容頁)。

敗:

  • find()None→察實際 HTML(response.html_content)驗選。頁或用異類名
  • get_all_text() 文空→內容或於 shadow DOM 或 iframe;試 DynamicFetcherwait_selector
  • 勿用 .css_first()——非 scrapling API(常與他庫混)

四:處失敗與邊例

為 CAPTCHA 察、空返、會話需實回退邏輯。

import time

def scrape_with_fallback(url, selector):
    """Try each fetcher tier in order, with CAPTCHA detection."""
    tiers = [
        ("Fetcher", Fetcher),
        ("StealthyFetcher", StealthyFetcher),
        ("DynamicFetcher", DynamicFetcher),
    ]

    for tier_name, tier_class in tiers:
        fetcher = tier_class()
        fetcher.configure(headless=True, timeout=60)

        try:
            response = fetcher.get(url)
        except Exception as error:
            print(f"{tier_name} failed: {error}")
            continue

        # Detect CAPTCHA / challenge pages
        page_text = response.get_all_text().lower()
        if "altcha" in page_text or "proof of work" in page_text:
            print(f"altcha CAPTCHA detected -- cannot automate")
            return None

        if response.status == 403 or response.status == 503:
            print(f"{tier_name} blocked (HTTP {response.status}), escalating")
            continue

        result = response.find(selector)
        if result and result.get_all_text().strip():
            return result.get_all_text()

        print(f"{tier_name} returned empty content, escalating")

    print("All tiers exhausted. Manual extraction required.")
    return None

得:函於成返所析文,或於諸層皆敗時返 None 含診斷訊。CAPTCHA 頁察並報,非無限重試。

敗:

  • 諸層皆 403→站封諸自動訪(WIPO、TMview、某政府庫常);書 URL 需手訪
  • 超時誤→頁或在慢 CDN 後;增超時至 120s
  • 會話/cookie 誤→站或需登;加 cookie 處理或先認證

五:率限與倫理爬

大規模前實延並敬站策。

import time
import urllib.robotparser

def check_robots_txt(base_url, target_path):
    """Check if scraping is allowed by robots.txt."""
    rp = urllib.robotparser.RobotFileParser()
    rp.set_url(f"{base_url}/robots.txt")
    rp.read()
    return rp.can_fetch("*", f"{base_url}{target_path}")

def scrape_urls(urls, selector, delay=1.0):
    """Scrape multiple URLs with rate limiting."""
    results = []
    fetcher = StealthyFetcher()
    fetcher.configure(headless=True, timeout=60)

    for url in urls:
        response = fetcher.get(url)
        data = response.find(selector)
        if data:
            results.append(data.get_all_text())

        time.sleep(delay)  # respect the server

    return results

倫理爬查單:

  1. 爬前察 robots.txt——敬 Disallow 指令
  2. 請求間至少 1 秒延
  3. 可時以描述 User-Agent 識爬器
  4. 無法據勿爬人資
  5. 本地緩以避冗請
  6. 受 429(請求過多)→立停

得:爬以控率行。大量前 robots.txt 已察。無 429 返現。

敗:

  • 429 Too Many Requests→增延至 3-5 秒,或停後試
  • robots.txt 禁徑→敬指令;勿覆
  • IP 禁→即停爬;率限不足。若訪合法(公數、ToS 允、robots.txt 敬)且須續→參 rotate-scraping-proxies 之網層升級

  • 正確取器層已擇(非過強或弱)
  • configure() 方法(非棄構造器關鍵字)
  • CSS 選符實頁構(對頁源驗)
  • .find()/.find_all() API(非 .css_first() 或他庫方法)
  • CAPTCHA 察就位(altcha 頁報,非試)
  • 多 URL 爬時率限已實
  • 大量前 robots.txt 已察
  • 析數非空且結構正確

  • .css_first().find():scrapling 用 .find().find_all() 選元素——.css_first() 屬他庫,將發 AttributeError
  • 始於 DynamicFetcher:恆先試 Fetcher,後升級——DynamicFetcher 因全瀏啟而 10-50 倍慢
  • 用構造器關鍵字非 configure():scrapling v0.4.x 已棄構造器選;恆用 configure()
  • 忽 altcha CAPTCHA:無取器層可解 altcha 工作量證明——早察之並回退手指
  • 無率限:即站不返 429,激爬亦可致 IP 禁或服務退
  • 假選器穩:網站 CSS 類變頻——各爬前對當前頁源驗選

<!-- Keep under 500 lines. Extract large examples to references/EXAMPLES.md if needed. -->

GitHub репозиторий

pjt222/agent-almanac
Путь: i18n/wenyan-ultra/skills/headless-web-scraping
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Похожие навыки

executing-plans

Дизайн

Используйте навык executing-plans, когда у вас есть полный план реализации для выполнения контролируемыми партиями с контрольными точками проверки. Он загружает и критически анализирует план, затем выполняет задачи небольшими партиями (по умолчанию 3 задачи), сообщая о прогрессе между каждой партией для проверки архитектором. Это обеспечивает систематическую реализацию со встроенными контрольными точками проверки качества.

Просмотреть навык

requesting-code-review

Дизайн

Этот навык запускает суб-агента для ревью кода, который анализирует изменения в коде на соответствие требованиям перед дальнейшими действиями. Его следует использовать после завершения задач, реализации крупных функций или перед слиянием с основной веткой. Ревью помогает выявить проблемы на ранней стадии, сравнивая текущую реализацию с исходным планом.

Просмотреть навык

connect-mcp-server

Дизайн

Этот навык предоставляет разработчикам подробное руководство по подключению серверов MCP к Claude Code с использованием транспортов HTTP, stdio или SSE. Он охватывает установку, конфигурацию, аутентификацию и безопасность для интеграции внешних сервисов, таких как GitHub, Notion и пользовательские API. Используйте его при настройке интеграций MCP, конфигурации внешних инструментов или работе с Model Context Protocol от Claude.

Просмотреть навык

web-cli-teleport

Дизайн

Этот навык помогает разработчикам выбирать между веб-интерфейсом Claude Code и CLI на основе анализа задачи, а также обеспечивает бесшовное перемещение сессий между этими средами. Он оптимизирует рабочий процесс, управляя состоянием и контекстом сессии при переключении между веб-интерфейсом, CLI или мобильным приложением. Используйте его для сложных проектов, требующих различных инструментов на разных этапах работы.

Просмотреть навык